Jul, 2018

组合生成对抗网络：学习图像条件下的二元组合

PDF
TL;DR本文提出 Composition-by-Decomposition 网络，采用两个独立分布的物体生成具有真实纹理和形状的合成图像，以此捕捉多物体之间的空间相互作用关系，从而在生成场景方面获得更好的效果。
generative adversarial networksspatial interactioncomposition-by-decompositionrelative scalingscene generation
发现论文，激发创造
  • 耦合生成对抗网络

    本文提出了联合生成对抗网络 (CoGAN) 用于学习多域图像的联合分布。 与现有方法相比，CoGAN 可以在不需要不同域中对应图像元组的情况下，仅通过来自边际分布的样本学习联合分布，并将其应用于许多联合分布学习任务，包括颜色和深度图像的联合分布以及具有不同属性的脸部图像的联合分布。 此外，对于域自适应和图像转换，也展示了其应用。

    Jun, 2016

  • 场景图预测的生成组合增强

    通过使用合成的稀有场景图并基于条件生成对抗网络的模型，可以解决在场景图生成中面临的组合泛化问题，提高新颖组合成分的准确性

    Jul, 2020

  • 使用复合生成对抗网络逐部生成图像

    本文提出了一种复合式生成对抗网络模型，通过多个生成器生成图片的不同部分，再进行 alpha 融合，实现生成更先进的高质量自然图像的初步探索。

    Jul, 2016

  • 使用相互一致性学习组合视觉概念

    本文提出了一种基于生成对抗网络的概念学习方法 ConceptGAN，该方法可用于联合从不同数据集中学习多个概念，并通过循环一致性实现数据增强以提高现实世界应用鲁棒性。实验结果表明，该方法能够生成语义上有意义的图像，并且在一次性人脸验证中取得了出色的效果。

    Nov, 2017

  • 生成对抗网络的潜空间的语义分解

    本研究提出一种新的算法用于训练生成式对抗网络，并联合学习身份（例如个人）和观察（例如具体照片）的潜在代码。我们使用成对的训练模式，可生成多样的相同主题图像，并保持灯光和姿势等相关方面的特征，进而提高图像的真实感。结果表明，基于 Siamese 辨别器进行的训练能够生成逼真的与身份相符的照片。

    May, 2017

  • 基于条件协调的部分生成

    COnditional COordinate GAN (COCO-GAN) 是一种基于空间坐标的图像生成器，通过学习空间关系实现全图像生成，并可实现超出边界和全景生成等多种应用。

    Mar, 2019

  • 利用对抗生成网络进行语义生成操作

    本文提出了一种对物体进行语义操纵的新的生成对抗网络方法，使用对比对抗目标而不是直接将合成样本接近目标数据，以生成具有高可视度和合理的对象语义的操作结果，并在多个语义操作任务上展示了我们的模型的优越性。

    Aug, 2017

  • JoIN: 联合 GAN 逆向用于固有图像分解

    该研究提出使用 GAN 作为先验来解决不适定的反演成像问题，并将方法应用于面部和材料的固有图像分解。该方法建立在 GAN 成功捕捉复杂图像分布的基础上，并展示了通过逆转多个 GAN 来维持分布先前的可能性，其是模块化的，可以成功地分解合成和真实图像，并利用 GAN 潜在空间的属性，提供了额外的优势，如图像重照。

    May, 2023

  • DivCo: 基于对比式生成对抗网络的多样化条件图像合成

    本研究提出了 DivCo 框架，使用对比学习（contrastive learning）约束生成图像之间的正 (positive) 和负 (negative) 关系，实现条件生成对抗网络 (cGANs) 的多样性图像合成。实验结果显示，DivCo 在多种无配对和配对图像生成任务中，能够产生比其他最先进的方法更多样化的图像，而且不会牺牲视觉质量。

    Mar, 2021

  • 通过生成对抗和排序网络进行弱监督目标发现

    本文介绍了一种新颖的网络训练方法和学习目标，采用深度生成对抗网络以及新的相似度度量方法，用于发现图片中的多个对象实例、弱监督对象检测及排名 GAN，以实现对应用的提高和优化。

    Nov, 2017